(4)仿真正确性和抗噪性。产生一系列加噪的正弦波和三角波作为输入矢量，所叠加的噪声服从正态分布N(0，σ2)。规定Pn为正确识别X0的概率，P1 为正确识别X1的概率，ERR为输出错误的个数(总样本：1 000)，通过检测可得表1。由表1可看出，当噪声的方差σ2较小时，使用随机逼近算法的Adaline神经元几乎可以无误地识别输入矢量；但当噪声方差逐步加大时，错判的概率也随之加大。而在学习收敛的条件下，步幅α对神经元输出的正确性几乎没有影响。图4是总样本为200时，固定α=0．03．当α2 =3x10-3时的分类结果示意图。

5 仿真结果和分析
    首先对两种波形进行64点采样，再利用随机逼近算法对两种波形进行分类，这也相当于一个64 维空间中两个点的分类问题。仿真结果表明：对于不同的初始步幅α，神经元完成学习任务的训练时间不同；在保证学习收敛性的前提下，α越大，收敛速度越快，但收敛的稳定性变差。权矢量的初始值W(0)对学习的收敛性没有影响。最后，对神经元的学习结果进行检验，检验结果验证了经学习训练后，神经元分类的正确性及抗噪性。从网络的原理可看出，在随机逼近算法中，若α(k)是时序k的非增函数，且有

    学习是收敛的。但本仿真中均采用恒定步幅值α，这样只有在α的值比较小的情况下，才能保证学习收敛。为了改进算法，可采用时变的步幅α(k)=1/pk+q，则既满足步幅因子收敛的条件，又保证步幅因子在学习开始时较大，而随着学习的进行逐渐减小。